Pandas未操作的time列从int64转为float，如何恢复为整型

类型变化原因 #

你执行的第一行批量赋值代码中，data_A.columns.difference(['scan', 'label', 'level','index']) 会返回除了这4个列之外的所有列名，time列也包含在内。当你给这部分列赋值np.nan时，由于pandas原生int64类型不支持空值存储，time列会自动向上转型为可兼容空值的float64类型。

解决方案 #

你可以根据自己的业务场景选择对应方案：

• 场景1：已处理完time列空值，不需要保留空值
  直接转成int类型即可，注意转换结果要重新赋值给原列才会生效：

  # 可以先按业务规则填充空值，比如前向填充，再转类型
  data_A['time'] = data_A['time'].ffill().astype(int)
  # 若已经确定time列无空值，可直接转换
  # data_A['time'] = data_A['time'].astype(int)
  

• 场景2：需要保留time列的空值，同时希望用整数类型存储
  可以使用pandas支持空值的Nullable Integer类型Int64（首字母大写）：

  data_A['time'] = data_A['time'].astype('Int64')
  

  该类型可同时存储整数和pd.NA空值，不会自动转为float。

• 场景3：希望从根源避免time列被修改
  把time加入第一行代码的排除列列表即可，不会被批量赋值np.nan，自然不会发生类型转换：

  data_A.loc[data_A['scan'] == 1., data_A.columns.difference(
      ['scan', 'label', 'level','index', 'time'])] = np.nan
  

内容的提问来源于stack exchange，提问作者Lee